PaLMの理解
問題
以下の文章を読み、空欄 ( あ ) ～ ( う ) に当てはまる語句の組み合わせとして、最も適切なものを1つ選べ。
Googleが開発したPaLM（Pathways Language Model）は、5,400億という膨大なパラメータを持つ ( あ ) ベースの巨大言語モデルである。
このモデルは、「Pathways」と呼ばれる単一のモデルで数千の異なるタスクを効率的に処理できる次世代アーキテクチャ上で訓練された。
PaLMは、計算リソースを拡大しデータ量やモデルのパラメータ数を増やすことで性能が飛躍的に向上する ( い ) 則を体現しており、高度な推論や ( う ) などのタスクにおいて人間と同等あるいはそれ以上の性能を記録した。
解説
PaLMは、Googleが開発した5,400億パラメータを持つ「Transformer」ベースの超巨大言語モデルです。
モデルの規模（パラメータ数、データ量、計算量）を大きくするほど性能が予測通りに向上する「スケーリング則」の恩恵を大きく受けており、「Pathways」という単一のモデルで多様なタスクをこなすアーキテクチャを採用しています。
これにより、高度な論理的推論や「多言語処理」、コーディングなどで圧倒的な性能を発揮しました。
正しい。PaLMはTransformerベースであり、モデル規模を拡大して性能を上げる「スケーリング則」を体現し、高度な推論や多言語処理に優れたモデルです。
誤り。(い)ムーアの法則は半導体の集積率に関する経験則です。(う)PaLMは言語モデルであり、画像生成に特化したモデルではありません。
誤り。(あ)PaLMはRNNではなくTransformerベースのモデルです。
誤り。(あ)と(い)の説明が不適切です。
📚 より詳細を学びたい方へ
同じカテゴリの問題
- tanh関数の理解
- 勾配消失問題と活性化関数の関係
- エポック（Epoch）とイテレーションの理解
- 鞍点（Saddle Point）の理解
- ストライド（stride）の理解
- BPTTの理解
- 位置エンコーディングの理解
- MixupおよびCutMixの理解
- 物体識別と物体検出の違い
- セマンティックセグメンテーションの特徴
- インスタンスセグメンテーションの理解
- パノプティックセグメンテーションの特徴
- 姿勢推定（Pose Estimation）の理解
- AlexNetの特徴
- GoogLeNet（Inception）の理解
- VGGの構造的特徴
- ResNetの残差学習の理解
- Wide ResNetの特徴
- DenseNetの密結合構造
- EfficientNetとMobileNetの理解
- NAS（ニューラルアーキテクチャ探索）の特徴
- MnasNetの探索戦略
- NASNetのセル構造
- SENet（Squeeze-and-Excitation Network）の理解
- Vision Transformer（ViT）の特徴
- Fast R-CNNの処理構造
- Faster R-CNNのRPN
- Mask R-CNNの追加機能
- SSD（Single Shot MultiBox Detector）の特徴
- YOLO（You Only Look Once）の特徴
- FPN（Feature Pyramid Network）の理解
- FCN（Fully Convolutional Network）の特徴
- OpenPoseとPart Affinity Fields
- BERTの事前学習タスク
- Bag-of-Words（BoW）の特徴
- word2vecの理解
- fastTextのサブワード学習
- CBOW（Continuous Bag-of-Words）の特徴
- skip-gramの特徴
- CEC（Constant Error Carousel）の役割
- ELMoの文脈化表現
- GPTモデルの学習方式
- PaLMの理解
- Seq2Seqモデルの構造
- TF-IDFの重要度計算
- 形態素解析の役割
- 構文解析の目的
- 感情分析の特徴
- 文書要約の種類
- A-D変換（アナログ-デジタル変換）のプロセス
- WaveNetの特徴
- 音韻の理解
- 音声認識の基本
- 音素の理解
- 隠れマルコフモデル（HMM）の特徴
- 高速フーリエ変換（FFT）の理解
- スペクトル包絡の特徴
- PCM（パルス符号変調）の理解
- MFCC（メル周波数ケプストラム係数）の特徴
- CTC（Connectionist Temporal Classification）の理解
- A3C（Asynchronous Advantage Actor-Critic）の特徴
- Agent57の特徴
- APE-Xの理解
- DQN（Deep Q-Network）の理解
- Double DQNの理解
- Dueling Networkの特徴
- PPO（Proximal Policy Optimization）の理解
- OpenAI Fiveの特徴
- AlphaStarの理解
- sim2realの課題
- ドメインランダマイゼーションの理解
- ノイジーネットワークの特徴
- 報酬成形（Reward Shaping）の理解
- GAN（敵対的生成ネットワーク）の理解
- DCGANの特徴
- Diffusion Modelの理解
- NeRF（Neural Radiance Fields）の特徴
- Pix2Pixの理解
- CycleGANの特徴
- StyleGANの理解
- データ生成タスクの応用
- 転移学習の基本概念
- ファインチューニングの特徴
- Few-shot / One-shot 学習の理解
- 自己教師あり学習の役割
- 破壊的忘却（Catastrophic Forgetting）
- 半教師あり学習の特徴
- マルチモーダルAIの基本理解
- CLIPの特徴理解
- DALL-Eの役割
- Visual Question Answeringの理解
- zero-shot推論の理解
- マルチタスク学習の特徴
- CAMの特徴に関する問題
- Grad-CAMの理解
- LIMEの特徴
- SHAPの特徴理解
- 知識蒸留の理解
- プルーニングの理解
- 量子化の理解
- 説明可能AI（XAI）の理解